.png){kind=icon}
返回
An adaptive surrogate-based approach for solving constrained optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07759-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工程设计的快速发展加剧了对能够有效管理复杂仿真的鲁棒优化工具的需求。为应对这一挑战，自适应区域增强约束下界置信区间（ARECLCB）代理模型被提出，以解决约束优化问题（COPs）中固有的计算挑战。该方法动态选择两种代理模型：一种基于决策树集成，另一种使用神经网络，以有效探索局部和全局区域。自适应选择允许所选模型针对局部区域的内插精英样本进行训练，或针对全局区域的广泛探索对所有样本进行训练。该策略平衡了局部精化与全局探索，在显著减少评估时间的同时保持高精度。在多个数值算例上的广泛测试表明，ARECLCB在效率与效果方面与近期算法相比具有高度竞争力。为进一步验证其能力，ARECLCB模型被应用于两个3D不规则钢框架的轻量化设计。结果表明，所提出的方法不仅比其他方法平均减重1.6%，还将计算时间减少了66.5%。这突显了所提出方法在解决实际工程问题中的潜力。
Keyword:
Adaptive surrogate models
Neural networks
Decision tree ensembles
Design optimization
Infilling sampling
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
引用论文
分享收藏A hybrid optimization approach for graph embedding: leveraging Node2Vec and grey wolf optimization一种结合Node2Vec和灰狼优化的图嵌入混合优化方法
PREAI
分享收藏A comprehensive survey on support vector machine classification: Applications, challenges and trends支持向量机分类综述: 应用、挑战与趋势.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
查看更多内容